II.10Разработка и эксплуатация AI/ML-систем

BEiT large patch16-512 — модель классификации изображений на основе Vision Transformer, разработанная Microsoft. Она предварительно обучена self-supervised методом на ImageNet-21k, затем дообучена на ImageNet-1k для распознавания 1000 классов. Модель принимает изображения, разделяет их на патчи 16×16 и использует трансформерный энкодер с относительными позиционными эмбеддингами и mean pooling для классификации. Размер модели — около 411 млн параметров; доступны реализации PyTorch и Flax. Модель подходит для определения объектов и сцен на изображениях в рамках классов ImageNet, а также для извлечения признаков как основы для обучения классификатора на собственной размеченной выборке. Для работы изображения следует привести к требуемому размеру и нормализовать RGB-каналы; карточка приводит разные разрешения для этапов обучения, включая 512×512 при дообучении. Лицензия — Apache-2.0. Модель ограничена классификацией по фиксированному набору классов ImageNet и сама по себе не выполняет детекцию объектов или распознавание произвольных категорий.

Это англоязычный BERT-generation encoder от Google, опубликованный на Hugging Face. Модель имеет 24 слоя, 1024 скрытых измерения, 16 голов внимания и около 454 млн параметров; максимальная длина входа — 512 токенов. Она предназначена для кодирования текста и может служить энкодером в задачах генерации последовательностей, например суммаризации или перевода, в паре с декодером. Модель принимает текст и выдаёт контекстные представления токенов. В конфигурации указана двунаправленная обработка контекста. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

Модель gravitee-io/bert-mini-toxicity — компактный классификатор токсичности текста, разработанный Gravitee и дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Она относит текст к одному из двух классов: «токсичный» или «нетоксичный», например для модерации пользовательских сообщений и комментариев. Модель основана на BERT Mini, содержит около 12 млн параметров и рассчитана на последовательности до 512 токенов. Для работы доступны форматы Safetensors и ONNX. Карточка описывает обучение и оценку на нескольких языках; метаданные перечисляют поддержку английского, русского, украинского, немецкого, испанского, китайского, арабского, хинди, итальянского, французского, иврита и японского. В README приведены результаты тестирования, которые различаются по языкам. Компактный размер подходит для сценариев, где важны скорость и небольшие вычислительные затраты. Качество неодинаково для разных языков, поэтому результаты классификации могут требовать проверки и не должны трактоваться как универсальная оценка токсичности. Модель распространяется по лицензии OpenRAIL++.

Многоязычный классификатор токсичности gravitee-io на базе BERT-small, дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Модель относит текст к одному из двух классов: «токсичный» или «нетоксичный». Архитектура — BertForSequenceClassification, около 32,4 млн параметров; модель принимает последовательности длиной до 512 токенов. Доступны веса Safetensors и формат ONNX. Модель предназначена для автоматической модерации текста: например, для первичной фильтрации сообщений в онлайн-сервисах и выявления токсичных высказываний на нескольких языках. В карточке приведены оценки F1 для английского, французского и русского языков; для этих языков качество различается, а результаты на обучении выше тестовых. Поддерживаемые языки включают английский, русский, украинский, немецкий, испанский, амхарский, китайский, арабский, хинди, итальянский, французский, иврит, японский и татарский. Лицензия — OpenRAIL++.

HYHPING2023/checkpoint-draft-dflash2 — вспомогательная черновая модель DFlash2 для ускорения генерации Qwen3.5-35B-A3B VCLR3 с помощью speculative decoding. Она разработана на основе архитектуры Inco AI DFlash2 и предназначена для запуска внутри совместимого сервера SGLang: модель предлагает блоки токенов, а целевая модель проверяет их. Самостоятельно отвечать на запросы она не может; веса целевой модели в репозитории отсутствуют. Модель содержит 807,4 млн параметров, использует пять слоёв в стиле Qwen3 и блок из восьми черновых токенов. Принимает скрытые состояния целевой модели из слоёв 1, 10, 19, 28 и 37, а также использует её embeddings и языковую голову. Контекст целевой модели — 262 144 токена. Обучение проводилось четыре эпохи на смешанном видео-, китайско- и англоязычном корпусе; в README приведены результаты принятия токенов для видео и текста. Для работы нужны совместимая сборка SGLang и соответствующий объединённый чекпойнт Qwen3.5-35B-A3B VCLR3. Лицензия — Apache-2.0.

timm/coat_mini.in1k — модель классификации изображений семейства CoaT (Co-Scale Conv-Attentional Transformer), обученная авторами статьи на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone и извлечения признаков. Модель содержит 10,3 млн параметров, выполняет 6,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k и получения эмбеддингов изображений для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. В карточке не описаны ограничения качества или дополнительные обучающие данные за пределами ImageNet-1k.

Vrandan/Comment-Moderation — англоязычная модель для многометочной классификации пользовательских комментариев по категориям потенциально вредного контента. Она построена на DistilBERT и дообучена на distilbert/distilbert-base-uncased; принимает текст длиной до 512 токенов и выдаёт оценки для девяти категорий модерации. Предусмотрены локальный запуск и интеграция через API, в том числе для приложений с ограниченными ресурсами. Карточка сообщает об accuracy 95,4%, однако macro F1 составляет 0,407, а macro recall — 0,349, поэтому высокая общая точность не гарантирует хорошего выявления каждой категории. Модель может пропускать контекстные нюансы и давать ложные срабатывания; результаты могут различаться с учётом культурного контекста. Лицензия репозитория — OpenRAIL.

ConvFormer-B36 — модель компьютерного зрения семейства MetaFormer из библиотеки timm, опубликованная авторами статьи Metaformer baselines for vision. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 99,9 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает отдельные предметные области или языковую поддержку; качество на данных, отличающихся от ImageNet, зависит от последующей адаптации.

ConvNeXt Small — сверточная модель классификации изображений из библиотеки timm, обученная Россом Уайтменом на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом. Модель также подходит для извлечения карт признаков и получения векторных представлений изображений. Модель содержит 58,5 млн параметров, имеет вычислительную сложность 8,7 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка не указывает языковые характеристики: основная задача модели — визуальная классификация.

timm/convnextv2_atto.fcmae — сверточная модель семейства ConvNeXt V2 от разработчиков timm, обученная на ImageNet-1k методом self-supervised предобучения FCMAE (fully convolutional masked autoencoder). Модель содержит 3,4 млн параметров, рассчитана на изображения 224 × 224 и не имеет предварительно обученной классификационной головы. Она предназначена для извлечения признаков и карт признаков из изображений, а также как основа для дообучения под классификацию и другие задачи компьютерного зрения. Компактный размер и вычислительная стоимость 0,6 GMAC подходят для построения сравнительно лёгких визуальных конвейеров. Модель принимает изображения и выдаёт визуальные признаки; готовые метки классов без добавления и обучения головы она не предсказывает. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

ConvNeXt V2 Large — сверточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и выпущенная в репозитории Facebook. Модель предварительно обучена с помощью FCMAE, затем дообучена на ImageNet-22K; входное разрешение — 224 × 224 пикселя. Архитектура использует полностью сверточный masked autoencoder и слой Global Response Normalization (GRN). Модель предназначена для классификации изображений по категориям ImageNet-22K и может служить основой для дальнейшей адаптации к другим задачам распознавания изображений. Она принимает изображение и выдаёт оценки классов. Распространяется по лицензии Apache-2.0.

cs3se_edgenet_x.c2ns_in1k — сверточная модель классификации изображений из семейства CS3-SE-EdgeNet, обученная разработчиками timm на ImageNet-1k. Архитектура сочетает Cross-Stage Partial с тремя свёртками и механизмом Squeeze-and-Excitation для внимания к каналам; блоки EdgeNet используют схему 3×3 и 1×1 с остаточной связью. Модель также подходит как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 50,7 млн параметров и требует 11,5 GMACs. Размер изображения при обучении — 256×256, при тестировании — 320×320. В репозитории доступны веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k, но не приводит результаты на других наборах данных или гарантий качества в прикладных сценариях.

DarknetAA53.c2ns_in1k — модель классификации изображений и извлечения признаков из семейства DarkNet, обученная командой timm на ImageNet-1k. Она может служить классификатором изображений или визуальной основой для извлечения карт признаков и эмбеддингов. Модель содержит 36 млн параметров и имеет вычислительную сложность 8 GMAC. Обучение проводилось на изображениях 256 × 256, а проверка — на 288 × 288. Веса доступны в форматах PyTorch и safetensors; для применения используется библиотека timm. Лицензия Apache-2.0.

DeepHermes Tool Calling Specialist - Atropos RL — экспериментальная языковая модель Nous Research, дообученная с помощью обучения с подкреплением на базе DeepHermes 3 Llama-3.1 8B. Она предназначена прежде всего для вызова инструментов и функций в режиме рассуждений, а не для широкого применения как универсальная модель. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Для обмена сообщениями используются чатовый и инструкционный форматы; предусмотрен интерфейс вызова инструментов. В оценке на Berkeley Function Calling Benchmark авторы сообщают о повышении точности для параллельного вызова функций с 0,10 до 0,46, а для простых вызовов — с 0,21 до 0,5175 относительно базовой модели. Результаты относятся к указанным режиму и тестам и не гарантируют аналогичного качества на других инструментах и сценариях. Модель работает с текстом и выдаёт текстовые ответы и структурированные вызовы инструментов. В карточке указан английский язык. Лицензия — Llama 3. Доступна в формате safetensors.

Это модель семантической сегментации изображений на базе MobileNetV2 с головой DeepLabV3+. Её разработали авторы MobileNetV2; модель предобучена на PASCAL VOC и рассчитана на изображения с разрешением 513×513 пикселей. Модель выделяет классы объектов и областей на изображении попиксельно. Компактная архитектура MobileNetV2 ориентирована на низкие задержки и ограниченные вычислительные ресурсы, поэтому модель подходит для сегментации на мобильных и встраиваемых устройствах. Она может служить отправной точкой для дообучения на других наборах данных. Репозиторий содержит веса PyTorch. В метаданных указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией исходного проекта. Архитектура предполагает компромисс между скоростью, размером и точностью; для предметных классов, отличных от PASCAL VOC, может потребоваться дообучение.

timm/densenetblur121d.ra_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и предварительно обученная на ImageNet-1k. Она основана на DenseNet-121 и использует Blur Pooling для обработки изображений. Модель подходит для классификации изображений и извлечения признаков, карт признаков и эмбеддингов в компьютерном зрении. В карточке указаны 8 млн параметров, 3,1 GMAC и размер изображения 224 × 224 при обучении и 288 × 288 при тестировании; обучение выполнено с рецептом RandAugment RA. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому качество на других типах изображений может отличаться; карточка не приводит метрик на дополнительных наборах данных.

DialogRPT-width — модель ранжирования ответов в диалоге, разработанная группой Microsoft Research NLP. Она оценивает, насколько вероятно, что на данный ответ последуют прямые ответы, и помогает выбирать между кандидатами, например при переранжировании ответов, созданных DialoGPT. Модель относится к семейству GPT-2 и использует классификационную архитектуру GPT2ForSequenceClassification; контекст ограничен 1024 токенами. DialogRPT обучена на данных человеческой обратной связи и предназначена для оценки диалоговых ответов, а не для самостоятельной генерации текста. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Streaming Sortformer Diarizer 4spk v2.1 — модель NVIDIA для потоковой диаризации речи, то есть определения моментов, когда говорят разные участники разговора, и отнесения речевых фрагментов к говорящим. Она предназначена для онлайн-обработки аудиозаписей и может использоваться в голосовых агентах и конвейерах анализа разговоров на базе NVIDIA NeMo. Модель сочетает 17-слойный энкодер NEST на основе Fast-Conformer и 18-слойный Transformer с размером скрытого слоя 192. Кэш Arrival-Order Speaker Cache хранит акустические представления уже обнаруженных говорящих; модель рассчитана максимум на четыре голоса. В README указана работа с длинными записями, но качество может снижаться на очень длинных аудио. Модель обучалась преимущественно на англоязычных наборах данных. Лицензия в метаданных обозначена как other; конкретные условия следует проверить на странице модели.

DictaLM-3.0-Nemotron-12B-Base — базовая языковая модель с открытыми весами от Dicta, обученная на больших корпусах текстов на иврите и английском. Это гибридная архитектура Hybrid-SSM с 12 млрд параметров, сохранённая в BF16; исходно модель инициализирована из NVIDIA-Nemotron-Nano-12B-v2-Base. Модель предназначена для генерации текста и дальнейшего дообучения под конкретные задачи. Она не является чат-моделью, поэтому для диалогового использования потребуется подходящая настройка; у Dicta есть отдельные варианты DictaLM 3.0 для чата. Модель рассчитана прежде всего на иврит и английский. Веса доступны для скачивания и использования без ограничений, однако метаданные указывают лицензию «other» и не содержат точных условий лицензирования. Как предварительно обученная базовая модель, она не имеет механизмов модерации.

Ramos-Ramos/dino-resnet-50 — модель ResNet-50 с весами, предварительно обученными методом DINO; репозиторий содержит конвертацию официальных весов DINO в формат Transformers/PyTorch. Модель предназначена для извлечения признаковых представлений из изображений, которые можно использовать в последующих задачах компьютерного зрения. Это визуальная ResNet-50, связанная с работой DINO по самообучению визуальных представлений. В README приведён пример использования через Transformers, но предупреждается, что конфигурация предварительной обработки изображений скопирована из microsoft/resnet-50 и не проверялась для этих весов. Лицензия и точные параметры входа в предоставленных данных не описаны.

facebook/dinov2-giant-imagenet1k-1-layer — модель Vision Transformer семейства DINOv2, опубликованная командой DINOv2 и представленная на Hugging Face. Это крупный трансформерный энкодер примерно на 1,5 млрд параметров, предварительно обученный без учителя на изображениях. Изображение разбивается на фиксированные патчи, которые модель обрабатывает как последовательность; отдельной дообученной классификационной головы в чекпойнте нет. Модель предназначена для извлечения визуальных признаков и классификации изображений по меткам ImageNet-1k. Представления энкодера можно использовать в последующих задачах, например обучить линейный классификатор поверх CLS-токена или применить признаки как основу для других задач компьютерного зрения. В репозитории указаны веса PyTorch и safetensors. Лицензия — Apache-2.0. Крупный размер требует значительных вычислительных ресурсов. Поскольку классификационная голова отсутствует, готовая классификация изображений требует отдельного классификатора или дообучения; модель ориентирована на визуальные данные и не обрабатывает текстовые входы.

Это англоязычная модель DistilBERT с маскированным языковым моделированием, доработанная методом GRADIEND для снижения гендерной предвзятости в языковых представлениях. Метод изменяет веса модели с помощью обученного представления и не требует дополнительного предварительного обучения. Модель основана на distilbert/distilbert-base-cased и предназначена для систем обработки языка, где важно уменьшить влияние гендерных стереотипов, например в инструментах для найма, образования и медицины. Модель принимает текст и предсказывает слова на месте маски; она поддерживает контекст до 512 токенов. Для оценки использовались метрики гендерной предвзятости SEAT, StereoSet и CrowS, а также метрики языкового моделирования StereoSet и GLUE. Модель менее предвзята по гендерному признаку, чем исходная, но эффект неполон: сохраняются остаточные гендерные смещения, а предвзятость по другим защищённым признакам не устранена; возможен компромисс между справедливостью и качеством. Распространяется по лицензии Apache-2.0.

dla102.in1k — модель классификации изображений на архитектуре DLA (Deep Layer Aggregation), опубликованная авторами статьи и доступная через библиотеку timm. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 33,3 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 7,2 GMACs. Репозиторий содержит веса PyTorch и safetensors. Лицензия — BSD 3-Clause.

EfficientNet-B1 — сверточная модель классификации изображений из библиотеки timm, представленная разработчиками timm и размещённая на Hugging Face. Версия efficientnet_b1_pruned.in1k получена структурным прореживанием весов методом knapsack pruning с внутренней дистилляцией и обучена для классификации объектов ImageNet-1k. Модель принимает изображения размером 240 × 240 пикселей и предсказывает один из классов ImageNet-1k. Её также можно использовать как сверточную основу для извлечения карт признаков и эмбеддингов изображений. В карточке указаны 6,3 млн параметров и вычислительная сложность около 0,4 GMAC. Модель подходит для компактной классификации изображений и извлечения визуальных признаков. Карточка не описывает многоязыковые возможности, поскольку модель работает с изображениями и выдаёт классовые предсказания. Распространяется по лицензии Apache-2.0.

EfficientNet-B5 — свёрточная модель компьютерного зрения, представленная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Она классифицирует изображения по 1000 классам ImageNet; модель рассчитана на входное разрешение 456×456 пикселей и использует метод составного масштабирования глубины, ширины и разрешения сети. Модель подходит для классификации изображений в приложениях компьютерного зрения, в том числе на устройствах с ограниченными ресурсами. Это исходный чекпойнт EfficientNet-B5, доступный в формате PyTorch. Лицензия — Apache-2.0. Для других задач можно искать версии, дообученные на соответствующих данных.

efficientnetv2_rw_m.agc_in1k — модель компьютерного зрения семейства EfficientNetV2, опубликованная командой timm. Она обучена на ImageNet-1k и предназначена для классификации изображений; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Вариант архитектуры и рецепт обучения специфичны для timm. Модель содержит около 53,2 млн параметров. Размер изображения при обучении составлял 320 × 320 пикселей, при оценке — 416 × 416. Для обучения использовались рецепт ResNet Strikes Back C, оптимизатор SGD с Nesterov и адаптивное ограничение градиента AGC, а также косинусное расписание скорости обучения с разогревом. Для загрузки доступны веса PyTorch и Safetensors; библиотека модели — timm. Модель подходит для классификации изображений в сценариях, близких к классам ImageNet-1k, а также для получения признаков и эмбеддингов в качестве компонента компьютерного зрения. README не описывает показатели точности или расширение классов за пределы ImageNet-1k. Лицензия — Apache-2.0.

EfficientViT B1 — модель компьютерного зрения семейства EfficientViT, разработанная авторами соответствующей научной работы и размещённая в timm. Она обучена на ImageNet-1k для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 9,1 млн параметров и рассчитана на входные изображения размером 256 × 256 пикселей; вычислительная сложность составляет около 0,7 GMACs. Модель подходит для классификации объектов на изображениях и получения визуальных признаков в компактных сценариях компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия Apache-2.0.

EfficientViT B1 — модель классификации изображений из семейства EfficientViT, созданная авторами статьи и обученная на ImageNet-1k. Она также может использоваться как backbone для извлечения карт признаков и как модель для получения эмбеддингов изображений. Модель содержит около 9,1 млн параметров и рассчитана на входные изображения размером 288 × 288 пикселей. Она предназначена для классификации изображений по категориям ImageNet-1k и для извлечения визуальных признаков в последующих задачах компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её категории и качество ограничены этим набором данных; для других классов и предметных областей может потребоваться адаптация.

EfficientViT B3 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработали авторы работы EfficientViT; модель обучена на ImageNet-1k и распространяется в репозитории timm в форматах PyTorch и Safetensors. Модель содержит около 48,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 4,0 GMACs на обработку изображения. Её можно применять для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Лицензия — Apache-2.0. Качество и набор классов классификации связаны с обучением на ImageNet-1k; README не описывает специализированную адаптацию под другие предметные области.

EgyBERT — модель семейства BERT, разработанная для работы с текстами на египетском диалекте арабского языка. Её предварительно обучили на корпусе египетских твитов объёмом более 34 миллионов сообщений и корпусе интернет-форумов объёмом более 44 миллионов предложений; суммарный объём текстов составил 10,4 ГБ. Модель содержит около 170,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для извлечения признаков. EgyBERT можно использовать как основу для получения контекстных представлений египетского диалектного текста и построения downstream-систем обработки языка. Репозиторий предоставляет веса в формате safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование.